[物联网] 30。物联网数据分析-机器学习的基础知识

摘要：机器学习是高级分析的典型代表。 机器学习领域汇集了许多技术，使计算机可以根据大量数据学习数据并做出特定的决策。 根据输入数据类型，可以将机器学习算法分类为教师学习和无监督学习。

机器学习可以说是高级分析的典型代表。 机器学习领域汇集了许多技术，使计算机可以根据大量数据学习数据并做出特定的决策。 机器学习算法可以分为两种类型：根据输入数据类型，“监视学习”和“无监督学习”。

监视和无监督的学习

使用机器学习算法有计算机训练数据时，该算法取决于用于培训的数据是否包含“正确”数据。 例如，假设您需要判断和分析异常条件，例如设备故障或传感器数据造成损坏。 当使用受监视的学习算法时，如果过去确实发生了异常情况，也就是说，必须明确输入“异常”数据。 坦白说，算法需要学习“正确答案”和“错误答案”之间的区别。 相对而言，无监督的学习不会区分输入数据中是否存在异常。换句话说，一种无监督的学习算法了解数据的总体趋势，在总体上找到不同趋势的数据，并认为它是“离群值”。

对于要恢复场景的情况，您应该根据时间是否有数据来确定是否会使用受到监视或无监督的学习。 特别是，在很少发生的特殊情况下，如果没有准备正确的答案，则应考虑无监督的学习。 此外，当无法预测将来的异常情况时，使用无监督学习建立正常状态的模型可以检测到与正常状态不同的状态（即异常）。

如果确定要发现的异常类型并收集了足够的数据，则受监测的学习将更准确地检测到异常情况。

分析方法的类型

基于理解受监督和未接触的学习，我们将聚类和分类作为参与点，以了解这些分析方法。 根据其用法，分析方法可以分为几种类型。 其中，图中显示的三种方法非常频繁地使用，我们将详细解释这三种方法。

聚类分析

聚类分析。目的是根据样品的特征（样本数据）将相似的样本分为多组（簇）。 对于特定的聚类算法，K -表示算法，自组织映射，分层聚类等。这些方法可用于根据数据的特征来查找和集成具有相同特征的数据。

k -是指该算法通过机械地指定基于数据分布来划分数据的块来机械生成数据块。

类别分类

类别分类分析的目的是将数据分为两个或多个组。 有些人可能会发现它与集群分析非常相似，但是类别分析用于根据历史数据对对象组和非对象组进行分类和划分。 类别分类算法包括线性判别分析，决策树分析，支持向量机（SVM）等。特别是，支持向量机在图像识别算法中也使用。

尺寸压缩

尺寸压缩也称为“尺寸还原”或“尺寸还原”。这意味着分析方法可以减少大数据中的数据量，留下重要信息，压缩冗余信息，从而减少数据量。 尺寸压缩包括主成分分析，因子分析和多维尺度方法。很多时候，如果设备发送过多的传感器信息，或者您需要分析从无数设备发送的大量信息，您将看到很多不必要的信息。 当前，尺寸压缩使您可以阻止不必要的信息并将数据转换为更简单的分析格式。